1
Identification de système en mécanique
2
3
Pourquoi tester dynamiquement une
structure?
• Performance en fatigue (accéléré)
• Identification de système (paramètres modaux)
• Vérification de la conception (placement en fréquences) • Détéction d’endommagement (// CND)
• Détection de Flutter
4
Vibration des structures
• Analyse Modale Expérimentale (AME)
• Utilisation de la Transformée de Fourier pour estimer 3 paramètres: Fi, Ai, Di
• Intérêt de la déformée Di qui est un paramètre local 1.000 0.802 0.445 1.000 − 0.555 − 1.247
5
Définition
1. Le système est linéaire dans la gamme des amplitudes étudiées 2. L’amortissement est supposé proportionnel 3. Le principe de superposition modale 4. Réciprocité
6 Système H(jw)
Identification de système
E(t) S(t) Force Accélération= X’’(t) Avec X(t) Déplacement H(w)=S(w)/E(w)7
La base en mécanique est l’Amortisseur à 1DDL
Ressort k Amortisseur Masse m ext F r
≡
x(t) 0 x(t) SLI Equation différentielle: ) ( ) ( ) ( ) ( 2 2 t F t kx dt t dx c dt t x d m + + =( )
t fdt
dy
c
F
frott=
−
⋅
→
r
. En posant position d'équilibre ² 2 1 ) ( ) ( 1 ) ( ) ( ) ( 2 2 n np p M M K p M C p M p F p X p Hω
ξω
+ + = + + = = ω j p = ² 2 1 ) ( ) ( 1 ) ( ) ( ) ( 2 2 n n j M M K j M C M j F j X j H ω ω ξω ω ω ω ω ω ω + + − = + + − = =8
Resonance ?
• L’amplitude de la FRF atteind un maximum (déphasage de 180r).
• La partie réelle de la FRF passe par 0.
• La partie imaginaire de la FRF atteind un minima (or maxima) local. La transformée de Fourier permet d ’avoir
une vision « système » des équations différentielles,
9
10
11
Lecture de M, K?
100 101 102 -100 -50 0 50 100 150 200 frequency (Hz) M a g n it u d e ( d B ) Hx(ω)= X(ω)/F(ω) Hv(ω)= jωX(ω)/F(ω) Ha(ω)= -ω²X(ω)/F(ω) 1/k 1/mLet’s
H(0)=1/k
Let’s
ω
→
∞
0
→
ω
m / 1 ) ( H ² ) ( Ha ω = −ω ω →12
18
19
Data Transformation
•
Functions that modify data are also termed operations
or transformations.
•
Since most signal processing operations are
implemented using digital electronics, functions are
represented in discrete form as a sequence of
numbers:
•
x(n) = [x(1),x(2),x(3), . . . ,x(N)]
•
A transform can be thought of as a re-mapping of the
original data into a function that provides more
20
Fourier Transform
• The Fourier Transform is a classic example as it converts the original time data into frequency information which often provides greater insight into the nature and/or origin of the signal.
• Many of the transforms are achieved by comparing the signal of interest with some sort of probing function. This comparison takes the form of a correlation (produced by multiplication) that is averaged (or integrated) over the duration of the waveform, or some portion of the waveform:
• where x(t) is the waveform being analyzed, fm(t) is the probing function and m is some variable of the probing function, often specifying a
particular member in a family of similar functions. For example, in the Fourier Transform fm(t) is a family of harmonically related sinusoids and m specifies the frequency of an individual sinusoid in that family (e.g., sin(mft)).
22 -0.2 -0.1 0 0.1 0.2 0.3 0 2 4 6 8 10 sampling time, tk [ms] V o lt ag e [V ] ts -0.2 -0.1 0 0.1 0.2 0.3 0 2 4 6 8 10 sampling time, tk [ms] V o lt a g e [ V ] ts
Signaux A/N
Fonction
Fonction
continue V d’une
continue
variable continue t (temps,
... etc) : V(t).
Analogique
Fonction
Fonction
discrete Vk
discrete
D’une
variable discrete t
k, avec k =
entier: V
k =V(t
k).
Numérique
-0.2 -0.1 0 0.1 0.2 0.3 0 2 4 6 8 10 time [ms] V o lt a g e [ V ] Fréquence d’échantillonage fS = 1/ tS Durée d’enregistrement t=N/ fS23
Echantillonnage
Soit un "La" dont la Fréquence est 440Hz. Ce signal s'écrit : x(t)=sin (2Pi*440t) Sous matlab, on est en numérique, donc le temps est discret = échantillonnage à Fe. Echantillonnage d'un "La" à une fréquence Fe donnée :
(essayer avec Fe = 10000, 5000, 2000, 1000, 881, 600, etc)
Fe= ????; t= 0:1/Fe:2;
x=sin(2*pi*440*t); sound(x,Fe);
24
Repliement :aliasing
__
s(t) = sin(2
π
f
0t)
-1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 ts(t) @ f
Sf
0= 1 Hz, f
S= 3 Hz
-1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 t__
s
1(t) = sin(8
π
f
0t)
-1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 t__
s
2(t) = sin(14
π
f
0t)
-1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 ts
k(t) = sin( 2
π
(f
0+ k f
S) t ) ,
k
∈
25
Le théorème !!
la fréquence d'échantillonnage Fs d'un signal doit être
égale ou supérieure à 2 fois la fréquence maximale
contenue dans ce signal
f
S> 2 f
MAX.
Condition sur fS? fS > 300 Hz t) cos(100π t) π sin(300 10 t) π cos(50 3 s(t)= ⋅ + ⋅ − F1=25 Hz, F2 = 150 Hz, F3 = 50 Hz
F
1F
2F
3f
MAX ExempleThéorème
*
26
Calcul de spectre
•
•
Attention
Attention
: FFT: N=2^x, sinon TFD classique
•
Y = fft(X,n) n-point DFT.
Si la longueur de X est<n, X est complété par des
zéros jusqu ‘à n.
Si la longueur de X est>n, X est tronqué
tfsignal = fft(signal);
tfsignal_dB = 20*log10(abs(tfsignal))*Te;
axe_f = (0:N-1)*Fe/N;
•
•
Utilisation de la
Utilisation de la
commande
commande
fft
fft
Exemple
27
Calcul de spectre
•
•
Utilisation de la
Utilisation de la
commande
commande
fft
fft
Exemple
tic;for fi=1:length(f)
Yc(1,fi)=y*cos(-2*pi*f(1,fi)*t'/(Npts));
Ys(1,fi)=y*sin(-2*pi*f(1,fi)*t'/(Npts));
end YFI=Yc+i*Ys; toc;
tic;Uc=fft(y);toc;
Sur cet exemple: cosinus a 100 pts
La fft est ~15 fois plus rapide …
28
Fourier Transform
•
A family of probing functions is also termed a basis.
For discrete functions, a probing function consists of a
sequence of values, or vector, and the integral
becomes summation over a finite range:
where x(n) is the discrete waveform and fm(n) is a
discrete version of the family of probing functions. This
equation assumes the probe and waveform functions
are the same length.
29
Les fenêtres d’apodisation
•
•
Conserver N
Conserver N
é
é
chantillons
chantillons
revient
revient
à
à
multiplier le signal par
multiplier le signal par
une
une
fenêtre
fenêtre
rectangulaire
rectangulaire
x=ones(1,16);
plot((0:127)/128,abs(fft(x,128)))
•
•
Certains
Certains
pics
pics
peuvent
peuvent
donc
donc
dispara
dispara
î
î
tre
tre
ou
ou
être
30
Exemple fenêtrage
x=sin(2*pi*130*(0:63)/1000)+0.01*sin(2*pi*300*(0:63)/1000);
plot((0:63)/1000,x)
31
Solution
x=x'.*blackman(64);
32
Exemple 2
t = [0:1/fe:tmax-1/fe];
N=tmax*fe-1
33
Ex2 Limitation 1
Echantillonnage trop grand df=1/tmax=10 ne permet
pas de retrouver la valeur exacte du pic 3 = 125 Hz
34
Ex2 Limitation 2
Si on diminue la durée de l’enregistrement: de 0.1 à
0.05s (N=100>>N=50), on divise la résolution
35
Ex2 solution 1
Une solution: on rajoute des zéros
Pour N=50 échantillons (t=0.05s)
36
Conclusion
Lors d’un calcul de spectre il faut:
• Echantillonner de façon suffisamment fine pour éviter le repliement du spectre
• Avoir une durée d’enregistrement suffisamment longue pour avoir une bonne résolution spectrale
37
38 Linéarité
système linéaire
SL
SL
( )
=∑
⋅( )
i i i x t a t x y( )t a yi( )t i i⋅ =∑ Invariancesystème invariant
SI
SI
( )
t x(
t T)
x = 0 − y( )t = y0( )t-T☛ SLI ⇔⇔⇔⇔ y(t) et x(t) sont reliés par une équation différentielle linéaire à coefficients
constants
47
Représentation en pôle d’une fonction de
transfert
n
n
n
σ
j
ω
48
2 approches d’identification: temporelle ou
fréquentielle
49
2 approches d’identification: temporelle ou
fréquentielle
K Cp Mp p F p X p H + + = = 2 1 ) ( ) ( ) (50
2 approches : locale
(SDOF)
ou globale
(MDOF)
Une approche SDOF estime
Pour chaque resonance séparement
Puis on moyenne sur toutes les FRFs
Critère semi globale pour une FRF
mais tous les modes sur une certaine bande passante
k
k
et
f
ξ
Une approche MDOF estime Globalement (en
terme de moindre carrés)
k
k
et
51
52
(
)
(
*)
)(
(
1
)
(
1
12 1 11 1 1λ
λ
λ
λ
−
=
−
+
−
−
=
p
c
p
c
p
p
M
p
H
Decomposition: chaque resonance est isolé
et on reconstruit un résonateur à 1DDL puis
on somme
[
]
∑
=
−
+
−
=
N kj
k
k
k
A
k
k
j
k
A
H
1(
(
)
(
)*)
*
)
(
))
(
)
(
(
)
(
)
(
λ
ω
λ
ω
ω
*) ( ) ( *) )( ( 1 ) ( 2 2 22 2 21 2 2 λ λ λ λ − = − + − − = p c p c p p M p H53
Justification des résidus
*)
(
)
(
*)
)(
(
1
)
(
1
1 12 1 11 1 1λ
λ
λ
λ
−
=
−
+
−
−
=
p
c
p
c
p
p
M
p
H
1 1(
*)
)
(
*)
(
1
1 1 2 1 1 λλ
λλ
λ
=
=
−
−
+
=
−
ss
ss
c
c
s
M
)
(
*
1
s
−
λ
1H
1 1 1 *) ( 1 c M = −λ λ 1 1 1 1 1 1 12
1
)
(
)
(
1
A
j
M
j
j
M
c
=
=
−
−
+
=
ω
ω
σ
ω
σ
* 2 1 1 1 2 A j M c = − = ωIn general, for a multiple degree of freedom system, the residue A1 can be a complex quantity.
But, as shown for a single degree of freedom system A1 is purely imaginary (represent modeshapes). Therefore:
*)
(
*
)
(
)
(
1 1 1 1λ
λ
+
−
−
=
s
A
s
A
s
H
54
Hypothèse AME
•
Incertitudes Bruits entrée/Sortie
•
Effet moyenne pour des excitations Random
•
Fenêtrage
55
56
Signaux aléatoires
•
Exemple 1 sous matlab
•
Compréhension d’un système sous excitation aléatoire
Signal aléatoire = signal dont on ne sait pas à priori la valeur qu ’il va prendre
On peut observer une REALISATION d ’un signal aléatoire, on ne pouvait pas deviner quelle réalisation on allait observer
60
SLI: filtre passe-bas
f f